本研究提出了首个具有最优竞争比的确定性在线算法，解决在线学习中数据顺序到达的ε-网问题，并优化了多领域的数据处理和采样框架。

本文综述在线资源分配与调度的多项研究，涵盖未知预测质量下的渐进最优、贝叶斯学习与汤普森抽样用于公共卫生干预、分布式在线学习框架、指数加权算法处理任务转移、可复用资源的在线任务分配、无人机物联网任务调度、延迟反馈MDP在线学习、随机截止时间调度与Whittle指数、在线分组调度竞争比改进，以及多任务在线学习元算法。

该文综述延迟反馈下的在线凸优化研究，涵盖非平稳环境任意延迟、对抗性延迟、多臂赌博延迟、异步分布式优化、长期约束、多步切换成本及差分隐私等场景，提出DOGD、DEXP3、DBGD、RCL等算法，并给出动态遗憾与竞争比的理论保证。